Для выполнения парсинга двух страниц с сайта https://zakupki.gov.ru/ по каждой закупке с указанными параметрами - номер закупки, датой размещения, обновления и окончания подачи заявок, начальной ценой контракта - мы можем использовать библиотеки requests, BeautifulSoup и pandas. Для начала установим необходимые библиотеки:

bash

pip install requests

pip install beautifulsoup4

pip install pandas

Затем напишем скрипт для парсинга сайта и сохранения данных в датафрейм pandas и в файл csv. Все команды можно запустить поочередно в среде скриптового интерпретатора Python.

python

import requests

from bs4 import BeautifulSoup

import pandas as pd



# Функция для парсинга данных по каждой закупке

def parse_purchase(url):

    response = requests.get(url)

    if response.status_code == 200:

        soup = BeautifulSoup(response.content, 'html.parser')

        

        # Парсим данные

        purchase_number = soup.find('div', {'class': 'cardMainInfo__number'}).text.strip()

        publication_date = soup.find('span', {'class': 'cardMainInfo__createDate'}).text.strip()

        update_date = soup.find('span', {'class': 'cardMainInfo__updateDate'}).text.strip()

        end_date = soup.find('span', {'class': 'cardMainInfo__endDate'}).text.strip()

        initial_price = soup.find('div', {'class': 'cardMainInfo__priceBidding'}).text.strip()

        

        return {

            'Purchase Number': purchase_number,

            'Publication Date': publication_date,

            'Update Date': update_date,

            'End Date': end_date,

            'Initial Price': initial_price

        }

    else:

        print(f'Failed to fetch URL: {url}')

        return None



# Ссылки на две страницы для парсинга

urls = ['https://zakupki.gov.ru/123456789', 'https://zakupki.gov.ru/987654321']



# Список для хранения данных по каждой закупке

purchase_data = []

for url in urls:

    data = parse_purchase(url)

    if data:

        purchase_data.append(data)



# Создаем датафрейм pandas из полученных данных

df = pd.DataFrame(purchase_data)



# Сохраняем данные в файл csv

df.to_csv('purchases_data.csv', index=False)



print('Data parsing and saving to CSV is complete.')

В данном скрипте мы используем функцию `parse_purchase`, которая занимается парсингом данных по каждой закупке. Мы указываем необходимые классы для соответствующих элементов на странице и достаем данные. Далее мы проходим по списку URL-адресов, парсим данные для каждой закупки и сохраняем их в список `purchase_data`. После этого мы создаем датафрейм pandas из полученных данных и сохраняем его в файл csv с помощью метода `to_csv`. После выполнения скрипта у вас будет файл `purchases_data.csv`, содержащий данные по каждой закупке.